現場回帰したデータエンジニアが考える AI 時代のキャリア開発 / Career Development in the Age of AI Perspectives from a Hands-on Data Engineer

2026/08/19 開催の Data Engineering Night 〜Sansan ×MEDLEY が語るデータエンジニアのリアル〜 での登壇資料です。
登壇者 : 人材プラットフォーム本部 CTO 室データマネジメントグループ 山邉哲生
イベント URL : https://sansan.connpass.com/event/398213/

Transcript

1. DATA ENGINEERING NIGHT · 2026.08.19 現場回帰したデータエンジニアが考える AI 時代のキャリア開発 Career Development in the Age of AI Perspectives from a Hands-on Data Engineer ⼭邉 哲⽣ ｜ 株式会社メドレー ⼈材プラットフォーム本部 データマネジメントグループ Sansan × MEDLEY
2. SPEAKER CAREER 〜2011（31歳） 組み込み系の研究開発でキャリアを開始。新卒で勤めた会社の⽇本拠点撤退などあって、学位をとるため⼤学に出戻り 2012（32歳） アカデミアから⺠間企業に転⾝し、Web エンジニアとしてのキャリアをスタート 2014 年頃のアドテク案件をきっかけに 『ビッグデータ』 に関わりはじめる（Hadoop ブームだった時代） 2015（35歳） 前職グループ会社への⼊社を機にデータエンジニアを名乗り始める 内製データ基盤の⽴ち上げと同時に利活⽤推進を進める中でマネジメントパスに進み、データ組織の⽴ち上げを実施 ⼭邉 哲⽣ Tetsuo Yamabe 株式会社メドレー ⼈材プラットフォーム本部 データマネジメントグループ グループマネジャー 2018（38歳） この頃から開発業務⽐率が急激に下がり出す 2021（41歳） グループ会社統合に伴い、300 名規模のデータ組織運営や全社横断的な組織機能も携わる ⼤規模な組織とデータ利活⽤推進に関われた⼀⽅で、現場感との乖離を意識し始める 2024（44歳） キャリアブレイクを選択し前職を退職。データ基盤開発や分析案件の委託業務を中⼼に個⼈事業主として活動 ChatGPT-4o や Devin が出てきたのがこの頃。テキスト⽣成などでの API 活⽤が中⼼で、開発や分析はまだ⼿作業 2025（45歳） linkedin.com/in/tetsuoyamabe 担当事業のデータ責任者として、複数のデータ専⾨職で構成される組織を管掌 縁あって 2025.04 からメドレーに参画し、データエンジニアとして現場回帰 開発サイクルにおける AI 活⽤の後押しもあり、データ基盤整備に留まらない形で広く活動中 株式会社メドレー Data Engineering Night 2026
3. SCOPE データポータル App インフラ + アプリ開発 AWS ｜ データポータル基盤 Astro / React INFRA CloudFront / WAF Cognito S3 Lambda / DynamoDB Amplify データポータル MCP MCP データソース Amazon Aurora など Google Cloud ｜ データ基盤 BigQuery TROCCO 外部システム dbt TROCCO kintone リバース ETL kintone ストア / 広告媒体 ETL / データモデリング Fivetran データレイク層 データウェアハウス層 データマート層 raw stg / int mrt スプレッドシート Metabase 転送 Google Cloud ｜ プロダクト機能 ORCHESTRATION プロダクト機能 ML + プロダクト機能の開発運⽤ GEMINI ENTERPRISE AGENT PLATFORM MCP OUTPUT Cloud Workflows CustomJob Model Registry Cloud Scheduler Experiments BigQuery / GCS レコメンド 検索 ⾃らもイチ分析者として、事業資産であるデータや分析ナレッジを誰もが Agentic に活⽤するための基盤‧アプリケーションを開発中 株式会社メドレー Data Engineering Night 2026
4. AGENDA 本⽇のテーマ 01 02 現場回帰して⽬にしたもの AI 時代のキャリア開発 ツールの成熟とプラクティスの蓄積 データエンジニアに求められる役割の変化と、AIによる専⾨領域の越境 AIによる開発効率化で進むデータ基盤開発の省エネ化 議論と学習を並列で回すこと、チーミングの変化、そして管理職の現場回帰 空いた⼿と AI 活⽤による越境で広がるデータエンジニアの可能性 株式会社メドレー Data Engineering Night 2026
5. 01 現場回帰して⽬にしたもの WHAT I SAW ON THE GROUND
6. WHAT I SAW · 1 省エネ化していたデータ基盤開発 01 02 03 コモディティ化 プラクティスの蓄積 AIによる開発効率化 DWH の成熟と、それを取り巻く各種ツールの登 データエンジニアリング界隈での知⾒の共有が進 調査‧実装‧影響範囲の確認が軽くなる。データ 場 。 ⾃前で仕組みを作る必要性が⼤幅に減少 み、 設計の型が公共財になった 特有の ⼿戻りの重さすら緩和されつつある （もちろん規模によるものの）⼤掛かりな開発‧ 運⽤体制やインフラ投資などの「重装備」が要ら なくなった 株式会社メドレー Data Engineering Night 2026
7. WHAT I SAW · 2 広がるデータエンジニアの可能性 01 02 03 基盤開発‧運⽤の負荷低減 データ基盤からの越境 ブーストされる経験 ETL‧モデリング‧運⽤の定型部分はツールと型 AI との協働でカバー可能な領域が拡⼤ マネジメント時代に経験値にできなかったトピッ に任せる クスを再訪（⼼残りを回収している感覚） 複数プロジェクトを持つだけでなく、インフラ‧ 基盤を守ることだけが仕事の中⼼ではなくなる アプリ‧ プロダクト機能までソリューション提供 これまでの経験‧視点が価値提供の速度に転化 に様々な選択肢を持てる シンプルに楽しい 株式会社メドレー Data Engineering Night 2026
8. 02 AI時代のキャリア開発 THE PATH AHEAD
9. THE PATH AHEAD · 1 データエンジニアに求められる役割の変化 REQUIRED ROLE RESULT AI エージェントとの対峙 AI ready なデータ基盤の提供 データ利活⽤の体現 可視化‧分析コストが劇的に下がり、皆がエージェ テストで定義されるデータ品質に加え、エージェン まだ Agentic なデータ利活⽤の型が定まっていない ント経由でよりインタラクティブにデータを取得し トが正確に解釈しやすい情報（メタデータ）や使い 昨今では、⾃らも実践的な課題を設定しドッグフー てくる中で、多様な組織ニーズ‧多様なユースケー やすい tools を提供。 ディングを⾏うことが⽋かせない（エージェントの スに備える必要性が増⼤。 モデル性能や環境も変わるし、何がどう応答品質に また、決定論的に抑えなければいけない集計品質の 返ってくるかがわからない） 基盤そのものは薄くなっていくが、利⽤者としての 持続的な担保（エージェントが提供する数値への責 AI エージェントを相⼿にすることで対峙する軸‧ 任）をどうするか？データ⽣産者とデータ消費者の また、AI を活⽤したビジネスプロセスの変⾰も進 戦う場所が変わる。 間を越境しながら要求‧フィードバックを吸い上 み、結果としてまだ⾒ぬ（あるいはどこかのファイ げ、基盤の品質に転化する必要性。 ルや Slack などに埋もれている）データにスポット ライトがあたっていくことも多く、基盤にあるデー タだけを⾒つめていても先に進めない。 株式会社メドレー Data Engineering Night 2026
10. THE PATH AHEAD · 2 AI と越境する 戦う場所と軸を変えるために、 AI と協働し AI に学ぶ PEAK · 専門・経験の厚い領域 協働 → 議論 判断基準があるので、出⼒を評価して軌道修正できる。 AIは議論の相⼿になる TAIL · 専門ではない分野 補助 → 学習 専⾨ではない分野 ⾃分の地⼒ 専⾨‧あるいは経験の厚い領域 専⾨ではない分野 評価する基準がまだない。 だから使いながら学ぶ必要がある AIを使ったときの到達点 専⾨‧経験はハードスキルだけでなくマネジメント経験を通した視野‧視座‧視点の獲得も含まれる 裾野の広さはハードスキルだけでなく事業や他部署、他職種への関⼼‧理解も含まれる なぜ学習が必要か ① 突っ込めない：出⼒が正しいかの判断や軌道修正ができない ② 学びきれない：知らない概念が次々に出てきて追いつかない 株式会社メドレー Data Engineering Night 2026
11. THE PATH AHEAD · 3 AI 時代のチーミング データエンジニア + アナリティクスエンジニア + データサイエンティスト など⼭をずらして少数で組む かつては ⼈数でカバーする 役割ごとに専⾨⼈材を配置し、規模で守備範囲をつくる これからは ⼭をずらして少数で組む 専⾨‧経験の厚い領域は、⼈によってずれている 各メンバーの地⼒ 専⾨領域がずれた⼈材 を少数置き、 それぞれが AI でベース カバーする AIで底上げされた到達点 組織の中でピン留めできる（される）強さや経験を意識する 同時に裾野の広さを越境によって獲得する 増やすのは⼈数ではなく⼭の位置 分布の重なりが少ないほど、チームの裾野は広くなる ⼀⽅、各⾃の裾野は AI で底上げされ、 ⾕が埋まってチーム全体 ではなだらかな守備範囲になる 株式会社メドレー Data Engineering Night 2026
12. THE PATH AHEAD · 4 キャリア開発に向けて PEAK · 専門・経験の厚い領域 TAIL · 専門ではない分野 AI と議論する AI から学習する 評価できるからこそ深められる。専⾨性が伸びる（upskilling） 評価軸を⼿に⼊れながら進む。AI 側の能⼒を獲得する（newskilling） 協働の形によってスキルの伸ばし⽅が変わってくる REFERENCE Hervard Business School が Boston Consulting Group の経営コンサルタント 244 名の社員を対象にした調査では、協働の型によって伸びるものが違った。 Centaur（ケンタウロス : 指⽰的な協働）はドメイン専⾨性を伸ばし、Cyborg （サイボーグ : 融合的な協働）は AI 側の新しい能⼒を獲得し、丸投げする Self-Automator はどちらも伸びなかった。 Randazzo, Steven, Hila Lifshitz, Katherine C. Kellogg, Fabrizio Dell'Acqua, Ethan Mollick, François Candelon, and Karim R. Lakhani. "Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise." Harvard Business School Working Paper, No. 26-036, December 2025. プレイヤー vs マネジメント軸も変わる データ組織のスケール軸は案件の広さと深さ、だけではなく戦う場所の決め⽅ 。 少数チーミングに加え、 AI 化によってマネジメントコストも下がっていく。 視座を持つシニアが課題を⽰さなければ、開発効率が上がっても事業貢献には⾄らない。 フラット化が進む中でヒト‧モノ‧カネだけに向き合う管理職の椅⼦は減っていく。 株式会社メドレー Data Engineering Night 2026
13. WRAP UP まとめ 01 ツールの成熟‧プラクティスの蓄積‧AIによる開発効率化で、データ基盤開発は省エネ化した 02 ⼀⽅、AI エージェントとの対峙が必要になり戦う場所と期待役割が変化しつつある 03 AI ready なデータ基盤の提供が必須に。プラクティスが確⽴しない中、組織‧役割を越境しながら⾃らも利活⽤の体現者へ 04 AI はデータ基盤ユーザーであると同時にパートナー。協働と補助‧議論と学習を意識したキャリア開発が重要に 05 データエンジニアへの期待が⼤きいことは間違いない！ 今までの役割や組織論を根底から疑って楽しんでいきましょう :) 株式会社メドレー Data Engineering Night 2026